美图WHEE是国内主流的AI创作平台之一，功能丰富但上手有些门槛。本篇带你全面了解WHEE的文生图、图生图和创意编辑等功能，讲解操作流程和实用技巧，帮你快速上手创作。适合想用国产AI工具做设计和创意的内容创作者和设计师参考，用WHEE轻松实现创意想法。文章配合实际案例讲解，帮你避开常见坑点，少走弯路快速上手。

岗位关联

需要学习美图WHEE AI创作平台，了解AIGC内容特征才能有效审核AI生成内容。本篇涵盖文生图/文生视频/AI音乐/Prompt创意，帮助你掌握AI创意生产工具链。

目录
  1. 可视化演示
  2. WHEE平台架构与功能概览
  3. 文生图操作流程与提示词技巧
  4. 图生图与创意编辑功能
  5. 模型选择与风格定制
  6. 创作工作流优化与实战技巧
  7. AI 应用场景
  8. Python 演示
  9. 常见问答
  10. 常见误区
  11. 参考来源

可视化演示

展示WHEE平台文生图扩散去噪过程、图生图参考变换流程及五大风格模型库，动态演示AI创作全链路。

本节配有交互动效（进入视口后自动加载，约 3KB）。

文生图：提示词到图像的扩散生成 玫红为提示词输入 粉色为风格模型 绿色为扩散去噪 Image = Diffusion(Prompt, Model, Steps, Denoise) 文生图通过提示词引导扩散模型逐步去噪生成图像，WHEE支持中文提示词优化

WHEE平台架构与功能概览

美图WHEE是美图公司推出的国产AI创作平台，定位为面向内容创作者的一站式AIGC工具。平台架构分为三层：底层是模型引擎层，集成了美图自研的Mirage图像生成模型和经过深度优化的Stable Diffusion技术；中间层是功能服务层，提供文生图、图生图、创意编辑、风格迁移等核心能力；上层是用户交互层，通过Web端和移动端界面为创作者提供直观的操作体验。这种分层架构使得平台既能快速迭代前端功能，又能灵活替换底层模型。

WHEE的核心功能模块包括：文生图（Text-to-Image）模块支持中英文提示词直接生成图像，内置多种风格预设；图生图（Image-to-Image）模块允许用户上传参考图进行风格转换或内容修改；创意编辑模块提供局部重绘（Inpainting）、智能扩图（Outpainting）、背景替换等精细化编辑能力；风格定制模块支持自定义模型训练，用户可以用少量样本图片训练出专属风格模型。

与直接使用Stable Diffusion开源方案相比，WHEE在三个方面做了深度定制：一是中文提示词理解优化，通过中文语义增强技术提升了对中文描述的理解准确度；二是本土审美适配，在训练数据中增加了大量符合亚洲审美的图像样本；三是一站式工作流整合，将模型选择、参数调节、后期编辑等环节整合到统一平台中，降低了创作者的使用门槛。

文生图操作流程与提示词技巧

WHEE文生图的核心交互流程为：输入提示词 → 选择风格模型 → 调节生成参数 → 生成图像 → 迭代优化。提示词编写是生成质量的关键决定因素。WHEE支持中英文双语输入，中文提示词经过专门优化，在描述国风、古风等本土风格时效果优于直接使用英文。提示词结构建议遵循'主体+风格+环境+光影+画质'的五段式模板，例如'一位身着汉服的少女，国风工笔画风格，桃花林中，柔和自然光，高清细节'。

风格预设是WHEE的重要特色。平台内置了数十种风格预设，涵盖写实摄影、日系动漫、中国水墨、赛博朋克、油画印象等多种类型。每种风格预设实际上是一组经过精心调教的模型权重和参数配置，包括采样步数、引导系数（CFG Scale）、采样器等。用户选择风格预设后，系统自动加载对应的模型配置，无需手动调节复杂参数。

生成参数调节方面，WHEE提供了图像尺寸、生成步数、引导系数（CFG）、随机种子等核心参数。图像尺寸支持多种预设比例（1:1、16:9、9:16、3:4等）和自定义尺寸；生成步数影响图像细节丰富度，通常20-50步即可获得较好效果；引导系数控制图像与提示词的对齐程度，过低会导致偏离描述，过高则可能出现过饱和。提示词模板复用功能允许用户保存常用的提示词组合，在后续创作中一键调用，大幅提升创作效率。

图生图与创意编辑功能

图生图（Image-to-Image）功能是WHEE的核心能力之一。其工作原理是：以用户上传的参考图作为起始图像，结合提示词描述，通过扩散模型在参考图的基础上进行有控制的变换。用户需要设置'去噪强度'（Denoising Strength）参数，该参数决定了生成图像与参考图的差异程度——值越小越接近原图，值越大变化越大。典型应用场景包括：将照片转换为动漫风格、将草图渲染为逼真图像、在保持构图的前提下更换场景元素等。

局部重绘（Inpainting）功能允许用户用蒙版标记图像的特定区域，仅对标记区域进行重新生成，而保持其余区域不变。这一功能在修复图像缺陷、替换局部元素（如更换服装、修改背景物体）等场景中非常实用。操作时，用户先用画笔工具涂抹需要修改的区域，然后输入描述期望效果的提示词，系统会基于周围上下文智能生成与整体协调的新内容。

智能扩图（Outpainting）功能可以向图像边缘扩展内容，突破原始画幅限制。系统会分析现有图像的边缘特征和语义信息，自动生成与原图风格和逻辑一致的新内容。背景替换功能则利用语义分割技术自动识别前景主体和背景区域，允许用户一键替换背景，同时保持主体的边缘细节和光影一致性。这些创意编辑功能的组合使用，使得创作者能够从一张基础图像出发，通过多轮编辑迭代出满足商用需求的最终作品。

模型选择与风格定制

WHEE平台提供了丰富的预训练模型库，按风格可分为写实类、动漫类、国风类、艺术类和特殊效果类五大类别。写实类模型擅长生成逼真的人像和风景，适用于电商产品图、广告素材等商业场景；动漫类模型覆盖日系、美漫、Q版等多种子风格；国风类模型是WHEE的差异化优势，支持水墨画、工笔画、敦煌壁画等中国传统艺术风格。每个模型页面都提供效果预览图和适用场景说明，帮助用户快速选择合适的模型。

自定义模型训练是WHEE面向专业用户的高级功能。用户可以上传10-50张风格统一的样本图片，平台通过LoRA（Low-Rank Adaptation）技术进行轻量级微调训练，通常30分钟到2小时即可完成。训练完成后，用户可以在文生图和图生图中调用自定义模型，生成具有特定风格或特定元素特征的图像。这一功能特别适合需要保持品牌视觉一致性的商业场景，如电商品牌专属风格、IP角色一致性生成等。

风格混合功能允许用户同时使用两个或多个模型，通过调节各模型的混合权重来创造独特的视觉效果。例如，将写实模型与动漫模型按6:4混合，可以生成介于真实与二次元之间的'半写实'风格。混合权重的微调需要一定的实验经验，WHEE提供了实时预览功能，用户可以在调节权重时即时看到效果变化，快速找到理想的风格平衡点。

创作工作流优化与实战技巧

高效的WHEE创作工作流通常遵循'先粗后精、多轮迭代'的原则。第一阶段使用文生图快速生成多张草稿（建议一次生成4-8张），通过对比选择构图和风格最接近预期的结果。第二阶段将选中的草稿作为参考图，通过图生图功能进行风格统一和细节优化，此时去噪强度建议设置在0.3-0.5之间，以保持整体构图不变。第三阶段使用局部重绘对细节进行精修，如修正手部结构、优化面部表情、调整服饰细节等。

参数预设管理是提升批量创作效率的关键。WHEE支持将提示词、模型选择、生成参数等完整配置保存为预设方案。对于需要大量产出同风格素材的场景（如电商商品图、社交媒体配图），创作者可以先确定一套基础预设，然后仅修改变化的部分（如商品名称、场景描述）即可快速生成系列化内容。批量生成功能允许一次提交多组提示词，系统在后台排队处理，适合规模化内容生产。

常见问题排查方面：如果生成图像模糊不清，可能是生成步数过低或模型不匹配，建议增加到30步以上并尝试其他模型；如果人物手部结构异常，可以使用局部重绘专门修复手部区域；如果风格不一致，检查是否使用了固定的随机种子——相同种子配合相同参数可以复现一致的风格。对于商用场景，建议在WHEE生成基础上进行后期精修，确保图像质量和版权合规性。

AI 应用场景

电商产品宣传图批量生成

阶段：数据工程

解决的问题：电商运营需要大量产品展示图和宣传海报，传统设计流程耗时长、成本高，难以满足快速上新和多平台适配需求

具体案例：某服装电商使用WHEE平台进行产品宣传图批量生成：先用文生图功能输入'模特穿着白色连衣裙，夏日海边，清新自然风格'生成多张候选图，选择最佳构图后用图生图功能将不同颜色的同款服装替换到模特身上，再用局部重绘修复细节，最后用智能扩图生成适配不同平台尺寸的版本。原本需要3天的拍摄修图工作缩短至半天完成，且素材风格统一。

国风游戏美术素材创作

阶段：数据工程

解决的问题：游戏项目需要大量国风风格的美术素材，原画师产能有限且风格一致性难以保证

具体案例：某游戏工作室使用WHEE的国风模型和自定义训练功能创作游戏UI素材：先用自定义模型训练功能上传20张项目既有美术稿训练专属风格模型，确保生成素材与项目美术风格一致；然后用文生图批量生成各种道具图标、场景背景和角色立绘草稿；再用图生图和局部重绘进行细节精修。整个流程将单张素材的创作时间从4小时缩短到30分钟，风格一致性评分提升40%。

Python 演示

python220 行
import jsonimport mathimport randomfrom dataclasses import dataclass, fieldfrom typing import List, Dict, Optionalfrom enum import Enum  class StylePreset(Enum):    """WHEE平台风格预设"""    REALISTIC = "realistic"    ANIME = "anime"    CHINESE_INK = "chinese_ink"    CYBERPUNK = "cyberpunk"    OIL_PAINTING = "oil_painting"    WATERCOLOR = "watercolor"  @dataclassclass GenerationParams:    """图像生成参数配置"""    prompt: str = ""    negative_prompt: str = ""    style: StylePreset = StylePreset.REALISTIC    width: int = 512    height: int = 512    steps: int = 30    cfg_scale: float = 7.5    denoising_strength: float = 0.75    seed: int = -1  @dataclassclass ImageResult:    """生成图像结果"""    image_id: str    prompt_used: str    style: str    width: int    height: int    seed: int    quality_score: float = 0.0  class WheeTextToImage:    """WHEE文生图引擎模拟"""     STYLE_CONFIGS = {        StylePreset.REALISTIC: {"base_steps": 35, "cfg_range": (7.0, 9.0)},        StylePreset.ANIME: {"base_steps": 25, "cfg_range": (6.0, 8.0)},        StylePreset.CHINESE_INK: {"base_steps": 30, "cfg_range": (7.0, 8.5)},        StylePreset.CYBERPUNK: {"base_steps": 30, "cfg_range": (7.5, 9.5)},        StylePreset.OIL_PAINTING: {"base_steps": 40, "cfg_range": (6.5, 8.0)},        StylePreset.WATERCOLOR: {"base_steps": 28, "cfg_range": (6.0, 7.5)},    }     def __init__(self):        self.history: List[ImageResult] = []     def generate(        self,        prompt: str,        style: StylePreset = StylePreset.REALISTIC,        width: int = 512,        height: int = 512,        steps: int = 30,        cfg_scale: float = 7.5,        seed: int = -1    ) -> ImageResult:        """执行文生图生成"""        if seed == -1:            seed = random.randint(0, 2**32 - 1)        config = self.STYLE_CONFIGS.get(style, {"base_steps": 30, "cfg_range": (7.0, 8.0)})        effective_steps = max(steps, config["base_steps"])        quality = self._estimate_quality(prompt, effective_steps, cfg_scale)        result = ImageResult(            image_id=f"whee_{len(self.history):04d}",            prompt_used=prompt,            style=style.value,            width=width,            height=height,            seed=seed,            quality_score=quality,        )        self.history.append(result)        return result     def batch_generate(        self,        prompt: str,        count: int = 4,        style: StylePreset = StylePreset.REALISTIC,        **kwargs    ) -> List[ImageResult]:        """批量生成多张候选图"""        results = []        for i in range(count):            result = self.generate(prompt=prompt, style=style, seed=i * 1000 + 42, **kwargs)            results.append(result)        return sorted(results, key=lambda r: r.quality_score, reverse=True)     def _estimate_quality(self, prompt: str, steps: int, cfg: float) -> float:        """估算生成质量分数"""        length_factor = min(len(prompt) / 50.0, 1.0)        step_factor = min(steps / 30.0, 1.0)        cfg_factor = 1.0 - abs(cfg - 7.5) / 10.0        return round(length_factor * 0.3 + step_factor * 0.4 + cfg_factor * 0.3, 3)  class WheeImgToImg:    """WHEE图生图引擎模拟"""     def transform(        self,        reference_image_id: str,        prompt: str,        denoising_strength: float = 0.5,        style: StylePreset = StylePreset.REALISTIC    ) -> ImageResult:        """图生图风格转换"""        if not 0.0 <= denoising_strength <= 1.0:            raise ValueError("Denoising strength must be between 0 and 1")        fidelity = 1.0 - denoising_strength        quality = round(fidelity * 0.5 + 0.4, 3)        return ImageResult(            image_id=f"i2i_{reference_image_id}",            prompt_used=prompt,            style=style.value,            width=512,            height=512,            seed=random.randint(0, 2**32 - 1),            quality_score=quality,        )     def inpaint(        self,        image_id: str,        mask_region: Dict,        prompt: str    ) -> ImageResult:        """局部重绘"""        return ImageResult(            image_id=f"inpaint_{image_id}",            prompt_used=prompt,            style="inpaint",            width=512,            height=512,            seed=random.randint(0, 2**32 - 1),            quality_score=0.85,        )     def outpaint(        self,        image_id: str,        expand_directions: List[str],        expand_ratio: float = 0.3    ) -> ImageResult:        """智能扩图"""        return ImageResult(            image_id=f"outpaint_{image_id}",            prompt_used="auto-expand",            style="outpaint",            width=int(512 * (1 + expand_ratio)),            height=int(512 * (1 + expand_ratio)),            seed=random.randint(0, 2**32 - 1),            quality_score=0.80,        )  class WheeWorkflow:    """WHEE创作工作流编排"""     def __init__(self):        self.t2i = WheeTextToImage()        self.i2i = WheeImgToImg()     def create_product_campaign(        self,        product_desc: str,        style: StylePreset = StylePreset.REALISTIC,        candidate_count: int = 4    ) -> Dict:        """电商产品宣传图工作流"""        candidates = self.t2i.batch_generate(            prompt=product_desc,            count=candidate_count,            style=style,        )        best = candidates[0]        refined = self.i2i.transform(            reference_image_id=best.image_id,            prompt=product_desc + ", high quality, commercial photography",            denoising_strength=0.35,            style=style,        )        final = self.i2i.inpaint(            image_id=refined.image_id,            mask_region={"x": 100, "y": 200, "w": 80, "h": 80},            prompt="fix detail, enhance quality",        )        return {            "workflow": "product_campaign",            "candidates": [{"id": c.image_id, "score": c.quality_score} for c in candidates],            "best_candidate": best.image_id,            "refined": refined.image_id,            "final": final.image_id,        }  if __name__ == "__main__":    workflow = WheeWorkflow()    result = workflow.create_product_campaign(        product_desc="时尚手提包，白色背景，专业产品摄影",        style=StylePreset.REALISTIC,        candidate_count=4,    )    print(f"Workflow: {result['workflow']}")    print(f"Candidates: {len(result['candidates'])}")    print(f"Best: {result['best_candidate']}")    print(f"Final: {result['final']}")
目的：演示WHEE平台核心功能：文生图批量生成、图生图风格转换、局部重绘与创作工作流编排
  1. class StylePreset(Enum):定义WHEE平台支持的风格预设枚举，包括写实、动漫、国风水墨、赛博朋克等
  2. class GenerationParams:图像生成参数数据类，封装提示词、风格、尺寸、步数、CFG值、去噪强度等配置
  3. STYLE_CONFIGS = {每种风格预设的最优参数配置，包括推荐步数范围和CFG引导系数范围
  4. def generate(文生图核心方法，根据提示词和参数配置生成图像，自动匹配风格最优参数
  5. def batch_generate(批量生成多张候选图，使用不同随机种子确保多样性，按质量分数排序返回
  6. def _estimate_quality(self, prompt: str, steps: int, cfg: float) -> float:质量估算函数，综合提示词完整度、采样步数和CFG值计算预期质量分数
  7. class WheeImgToImg:图生图引擎类，封装风格转换、局部重绘和智能扩图三种编辑能力
  8. def transform(图生图风格转换方法，通过去噪强度控制生成图与参考图的差异程度
  9. def inpaint(局部重绘方法，接受蒙版区域坐标和提示词，仅对标记区域重新生成
  10. def outpaint(智能扩图方法，向指定方向扩展图像内容，保持风格和语义一致性
  11. class WheeWorkflow:创作工作流编排类，串联文生图、图生图和局部重绘完成完整创作流程
  12. def create_product_campaign(电商产品图工作流：批量生成候选→选择最佳→图生图精修→局部重绘细节修复
  13. return {返回完整工作流结果，包含候选图列表、最佳选择、精修结果和最终成品ID

常见问答

WHEE平台与直接使用Stable Diffusion有什么区别？
WHEE在Stable Diffusion技术基础上做了三方面深度定制：一是中文提示词理解优化，通过语义增强技术提升对中文描述的理解准确度；二是本土审美适配，训练数据中增加了大量符合亚洲审美的图像样本；三是一站式工作流整合，将模型选择、参数调节、后期编辑整合到统一平台，降低了使用门槛。此外WHEE还集成了美图自研的Mirage模型，提供差异化的生成效果。
WHEE文生图的提示词应该怎么写？
建议遵循五段式模板：主体+风格+环境+光影+画质。例如'一位身着汉服的少女，国风工笔画风格，桃花林中，柔和自然光，高清细节'。WHEE支持中英文双语输入，中文在国风等本土风格上效果更优。可以使用平台提供的提示词模板功能保存常用组合，后续一键调用提升效率。
图生图的去噪强度参数应该怎么设置？
去噪强度（Denoising Strength）范围0-1，值越小越接近原图，值越大变化越大。风格转换建议0.5-0.7，保持构图微调建议0.3-0.5，大幅度修改建议0.7-0.9。实际操作中建议从低值开始逐步增加，找到变化幅度与质量的最佳平衡点。

常见误区

误区WHEE只是Stable Diffusion的简单封装，没有技术含量。

正解WHEE集成了美图自研的Mirage图像生成模型，并在中文理解、本土审美适配方面做了深度定制优化。平台还开发了创意编辑工具链、自定义模型训练流程和风格混合技术，这些都不是简单的开源封装能实现的。

为何常见：将国产平台视为国外工具套壳是一种认知偏见，忽视了在模型优化、工程化和用户体验层面的大量自研工作。

误区中文提示词效果不如英文，应该始终用英文写提示词。

正解WHEE针对中文提示词做了专门优化，在描述国风、古风等本土风格时，中文提示词的效果可能优于英文。这是因为中文描述能更准确地传达东方审美意境，且模型在中文训练数据上做了重点增强。对于通用风格，中英文效果差异不大。

为何常见：早期Stable Diffusion模型确实以英文训练为主，但WHEE等国产平台已经针对中文做了大量优化，这一经验法则不再适用。

误区AI生成的图像可以直接商用，无需任何修改。

正解AI生成图像在商用前仍需人工检查：一是版权风险，生成内容可能与已有作品相似；二是细节质量，可能存在手部结构异常、文字乱码等问题；三是合规性，需确保不包含违规内容。WHEE的创意编辑功能正是用于生成后的精修环节，建议经过局部重绘和细节优化后再投入商用。

为何常见：AI生成图像看起来已经很精美，容易让人忽视潜在的法律风险和质量细节问题。

参考来源